Studi Kasus · Tsunami Palu 2018

Penilaian Kerusakan
Lahan Pertanian
Terdampak Bencana

Menggunakan citra satelit resolusi sangat tinggi berbasis deep learning dan machine learning — dari segmentasi poligon lahan hingga klasifikasi kerusakan end-to-end.

Mask R-CNN · Segmentasi Instance Random Forest · Klasifikasi Kerusakan 18 Tile · 3.271 Poligon xView2 Score = 0,3103

gulir untuk menjelajahi

01 · Konteks Masalah

Bencana, Lahan, dan Kebutuhan Penilaian Cepat

Tsunami Palu 28 September 2018 (M 7,5) berdampak luas pada lahan pertanian di sekitar Teluk Palu. Penilaian kerusakan manual lambat dan berisiko — citra satelit VHR membuka peluang otomatisasi berbasis deep learning dan machine learning.

VHR

Citra resolusi sangat tinggi ±0,5 m/piksel

Kelas kondisi lahan yang dinilai

2+2

Model DL + ML yang dibandingkan

E2E

Pipeline integrasi end-to-end

Tiga kelas penilaian kerusakan lahan pertanian:

Tidak Terdampak Terdampak Sedang Terdampak Berat

02 · Dataset

18 Tile, 3.271 Poligon, Dua Waktu

Dataset mencakup 18 tile citra (36 GeoTIFF — pre & post-disaster) dengan anotasi poligon lahan pertanian berikut label kerusakan hasil digitasi manual.

18Tile citra (36 file GeoTIFF: pre + post-disaster)

3.271Poligon lahan berlabel (27 dibuang karena geometri NULL dari 3.298 mentah)

~1.028×1.022 pxUkuran tile, CRS EPSG:32751, ±0,5 m/piksel

Test set — level tile (4 tile)22,2%

Train CV — 14 tile, 4-fold LPT77,8%

Test set — level poligon (604)18,5%

Val (491 poligon)15,0%

Train (2.176 poligon)66,5%

Distribusi Kelas Kerusakan (3.271 poligon)

03 · Metodologi

Pipeline End-to-End

Tiga tujuan penelitian dirangkai menjadi satu pipeline terpadu: deteksi poligon lahan → ekstraksi fitur perubahan 6 layer → klasifikasi kerusakan, lalu dikemas sebagai aplikasi web live.

Segmentasi Instance Lahan Pertanian (Tujuan 1)

Citra PRE-disaster → Mask R-CNN (Detectron2, R50-FPN) → Poligon lahan pertanian
Dibandingkan dengan: YOLOv8-seg

Ekstraksi Fitur & Klasifikasi Kerusakan (Tujuan 2)

Pasangan PRE & POST → 6 layer fitur kontinu per poligon → Random Forest / LightGBM → 3 kelas kerusakan

Integrasi End-to-End (Tujuan 3)

Mask R-CNN → fitur per poligon terdeteksi → Random Forest → Penilaian end-to-end
Evaluasi: formula skor gabungan xView2 (Gupta dkk., 2019)

WEB

Artefak Web — Aplikasi Inferensi Live

Gradio + Hugging Face Spaces ZeroGPU — pipeline Tujuan 3 secara interaktif tanpa pelatihan ulang

6 Layer Fitur Perubahan (Tujuan 2)

Layer 1

Batas Lahan

Canny edge — degradasi batas fisik lahan (pagar, pematang)

Layer 2

Material Asing

CVA + HSV — deposit tsunami: lumpur, sedimen, puing

Layer 3

Kehilangan Tanaman

ExG (Excess Green) — perubahan vegetasi hijau pre vs post

Layer 4

Radiometri

CVA + Otsu — perubahan piksel radiometrik (tutupan permukaan)

Layer 5

Genangan Air

Water Index RGB — deteksi air/genangan sisa tsunami

Layer 6

SAM AnyChange

SAC — deteksi perubahan bitemporal semantik berbasis SAM

04 · Tujuan 1

Segmentasi Instance Lahan Pertanian

Dua model diuji pada test set 4 tile held-out. Mask R-CNN unggul di 6 dari 8 metrik, terutama pada instance precision yang selisihnya substansial.

Perbandingan Metrik Instance-Level (Test Set)

Metrik	YOLOv8-seg	Mask R-CNN	Selisih
Instance Precision	0,6092	0,8131	+0,204
Instance Recall	0,5943	0,5813	−0,013
Instance F1	0,5973	0,6589	+0,062
Instance IoU	0,7492	0,8421	+0,093
Pixel Precision	0,7643	0,8737	+0,110
Pixel Recall	0,6748	0,6467	−0,028
Pixel F1	0,6963	0,7178	+0,022
Pixel IoU	0,5399	0,5702	+0,030

Model Terpilih · Mask R-CNN

Keunggulan konsisten pada metrik instance-level (F1 = 0,6589 vs 0,5973) didorong oleh precision jauh lebih tinggi (0,8131 vs 0,6092), sementara selisih recall antar kedua model tidak signifikan (0,013). Stabilitas Mask R-CNN across-fold turut menjadi pertimbangan.

Stabilitas Cross-Validation (4-fold)

Mask R-CNN: AP naik monoton di semua fold (10,8 → 18,4 → 30,4 → 32,9) — tidak ada fold kolaps.
YOLOv8-seg: fold 3 kolaps (val_mAP50_mask ≈ 0,0001); fold 0–2 normal (0,25–0,53).
Tile 00000184 (n_gt = 243 poligon) paling sulit untuk kedua model — tile terpadat di test set.

05 · Tujuan 2

Klasifikasi Kerusakan Lahan

Random Forest dan LightGBM dibandingkan pada 604 poligon test. Cohen's Kappa berbobot kuadratik dipilih sebagai metrik utama karena kelas bersifat ordinal dan distribusi tidak seimbang.

Perbandingan Metrik Keseluruhan (Test Set, 604 poligon)

Kelas (Random Forest)PRF1

Tidak Terdampak 0,90260,45420,6043

Terdampak Sedang 0,03750,10000,0545

Terdampak Berat 0,70000,96640,8119

Urutan Kepentingan Fitur — Random Forest (ordinal Gini importance)

#1Batas Lahan

#2Radiometri

#3Material Asing

#4SAM AnyChange

#5Kehilangan Tanaman

#6Genangan Air

Urutan ordinal berdasarkan Gini importance — nilai eksak tidak ditampilkan. Layer #1 (Batas Lahan) dikonfirmasi sebagai tertinggi dari analisis. Kelas Terdampak Sedang kolaps (F1 = 0,0545) — akar penyebab: label shift train–test × class_weight='balanced_subsample', dikonfirmasi via skenario oracle Tujuan 3.

06 · Tujuan 3

Pipeline End-to-End & Evaluasi

Mask R-CNN (Tujuan 1) + Random Forest (Tujuan 2) dijalankan terintegrasi pada 4 tile test. Recall lokalisasi membaik dari 0,58 (standalone) menjadi 0,66 setelah DETECTIONS_PER_IMAGE dinaikkan ke 500.

0,7062

F1 Lokalisasi

P=0,7586 · R=0,6606

0,1406

F1 Damage

harmonic mean 3 kelas

0,3103

Skor Gabungan xView2

0,3×F1_lok + 0,7×HM

0,4005

mIoU (4 kelas)

pixel-level · micro · bg ikut

Tile	GT Pol.	Pred.	Matched	F1 Lok.	Akurasi Kls.
00000163	113	107	66	0,6316	0,5373
00000169	155	127	101	0,7247	0,7525
00000184	243	180	146	0,6667	0,6986
00000195	93	112	86	0,8095	0,8605

Overlay Prediksi per Tile

Tiga panel: ground truth · prediksi model · peta kesalahan. Klik untuk memperbesar.

Tile 00000163 dalam tiga panel: ground truth, prediksi Mask R-CNN + Random Forest, dan peta kesalahan model terhadap ground truth — Tile 00000163

113 poligon GT · F1 lokalisasi 0,6316 · akurasi klasifikasi 0,5373

Tile 00000169 dalam tiga panel: ground truth, prediksi Mask R-CNN + Random Forest, dan peta kesalahan model terhadap ground truth — Tile 00000169

155 poligon GT · F1 lokalisasi 0,7247 · akurasi klasifikasi 0,7525

Tile 00000184 dalam tiga panel: ground truth, prediksi Mask R-CNN + Random Forest, dan peta kesalahan model terhadap ground truth — Tile 00000184

243 poligon GT · F1 lokalisasi 0,6667 · akurasi klasifikasi 0,6986

Tile 00000195 dalam tiga panel: ground truth, prediksi Mask R-CNN + Random Forest, dan peta kesalahan model terhadap ground truth — Tile 00000195

93 poligon GT · F1 lokalisasi 0,8095 · akurasi klasifikasi 0,8605

🔬 Eksperimen Oracle Terkontrol

Kontribusi ketidaksempurnaan geometri deteksi Mask R-CNN terhadap penurunan performa klasifikasi terukur kecil namun konsisten (~0,018 macro-F1) dari skenario oracle terkontrol (n=399 poligon matched identik). Mayoritas keterbatasan tetap berasal dari label shift dan kolaps kelas Terdampak Sedang yang sudah teridentifikasi di Tujuan 2 — bukan dari kualitas geometri deteksi.

07 · Artefak Web

Aplikasi Web Inferensi Live

Pipeline Tujuan 3 dikemas sebagai aplikasi Gradio dan di-deploy ke Hugging Face Spaces ZeroGPU — inferensi end-to-end interaktif, tanpa pelatihan ulang, ~22 detik per pasang citra.

Temuan 1

Portabilitas Ruang Piksel Terbukti

6 layer fitur murni operasi numpy/cv2 pada nilai piksel. Divalidasi 115 poligon — ruang piksel vs geografis identik bit-per-bit (max|beda| = 0,0000). CRS hanya label kontainer GeoDataFrame.

Temuan 2

Dua Preprocessing Berbeda, Satu Pipeline

Deteksi: min-max gabungan 3 band (replikasi training Tujuan 1). Fitur: percentile 2–98 per band. Keduanya sengaja berbeda — bukan bug, wajib dipertahankan.

Temuan 3

Cara Konversi 8-bit Tentukan Recall

Min-max gabungan: 96,8% lahan terdeteksi. Percentile per band: 40,3%. Model dilatih pada min-max — stretch per band merusak keseimbangan warna antar band yang dipelajari model.

Temuan 4

TF32 Menggeser Hasil Lintas Generasi GPU

GPU Ampere+ (ZeroGPU) pakai TF32 secara default; T4 tidak. Solusi: matikan TF32 eksplisit → hasil kembali identik. Implikasi: klaim reproduksibilitas DL perlu menyebut presisi aritmetik.

Validasi Regresi · 4 Tile Test · acuan: tujuan3_bundle/poligon_prediksi_4tile.gpkg

Jalur Input	Terdeteksi	Kelas Benar	Status
GeoTIFF float32 (32-bit)	526/526 (100%)	526/526 (100%)	✓ Identik
PNG 8-bit (min-max gabungan)	509/526 (96,8%)	469/526 (89,2%)	~ Mendekati
PNG 8-bit (percentile per band)	212/526 (40,3%)	199/526 (37,8%)	✗ Tidak Disarankan

Buka di Hugging Face Spaces

ZaXira/penilaian-kerusakan-lahan · Gradio · ZeroGPU · ~22 detik/pasang citra

08 · Kesimpulan

Temuan Utama Penelitian

Ketiga tujuan penelitian terjawab penuh dengan keterbatasan struktural yang terdokumentasi. Pipeline end-to-end berhasil divalidasi 100% identik dan di-deploy sebagai aplikasi web live.

Tujuan 1

Segmentasi Instance

Mask R-CNN lebih unggul dari YOLOv8-seg — precision instance lebih tinggi substansial, recall serupa. ~34% lahan aktual tidak terdeteksi (keterbatasan struktural, membaik dari 42% via DETECTIONS_PER_IMAGE=500 di Tujuan 3).

Instance F1 = 0,6589Precision = 0,8131

Tujuan 2

Klasifikasi Kerusakan

Random Forest lebih baik dari LightGBM terutama pada Kappa. Kelas Terdampak Sedang kolaps akibat label shift, dikonfirmasi via oracle. Layer Batas Lahan menjadi fitur terpenting (Gini tertinggi).

Kappa = 0,5556F1-Macro = 0,4903

Tujuan 3 + Artefak

Pipeline End-to-End

Integrasi Mask R-CNN + Random Forest berhasil. Recall lokalisasi naik 0,58→0,66. Kontribusi geometri terhadap gap klasifikasi kecil (~0,018 macro-F1). Artefak web tervalidasi 100% identik pada jalur GeoTIFF.

xView2 = 0,3103F1_lok = 0,7062

Penilaian KerusakanLahan PertanianTerdampak Bencana

Bencana, Lahan, dan Kebutuhan Penilaian Cepat

18 Tile, 3.271 Poligon, Dua Waktu

Pipeline End-to-End

6 Layer Fitur Perubahan (Tujuan 2)

Segmentasi Instance Lahan Pertanian

Klasifikasi Kerusakan Lahan

Pipeline End-to-End & Evaluasi

Overlay Prediksi per Tile

Aplikasi Web Inferensi Live

Temuan Utama Penelitian

Penilaian Kerusakan
Lahan Pertanian
Terdampak Bencana